.png){kind=icon}
返回
Diffusion transformers with hybrid conditioning for structural optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s00158-026-04429-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种扩散变换器框架，用于数据驱动的结构拓扑优化，该框架结合了基于物理方法的高精度和生成式深度学习的效率。传统的基于密度的方法采用带有梯度更新的固体各向同性材料惩罚（SIMP）方案，需要在每次迭代中进行重复的有限元分析，这使得大规模或实时优化的计算成本高昂。我们提出了一种混合条件扩散变换器（DiT）模型，该模型直接从问题定义中学习生成近最优拓扑，消除了推理过程中的迭代分析。该模型通过连接的应力和应变场进行空间分布条件集成，并通过自适应层归一化（AdaLN）使用标量描述符（如载荷位置、大小和规定体积分数）进行全局条件集成。为训练和评估生成了30,000个二维SIMP优化结构的数据集。结果表明，所提出的DiT模型相对于真实SIMP解的合规性误差小于1%，同时保持了准确的体积分数和结构连通性。确定性DDIM采样通过最少的五个去噪步骤即可在几秒内实现高保真拓扑生成，实现了近实时性能。该混合条件扩散变换器为传统拓扑优化方法提供了一种高效且可扩展的替代方案，具有集成到交互式计算机辅助设计工作流中的巨大潜力。
Keyword:
Diffusion transformer
Topology optimization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
Dynamically configured physics-informed neural network in topology optimization applications动态配置物理信息神经网络在拓扑优化中的应用OAAI
OAAI分享收藏分享收藏
分享收藏
查看更多内容